使用水印技术可以标记生成内容并通过隐藏信息检测其真实性，我们通过定义目标函数并将自适应攻击作为优化问题来解决水印算法的鲁棒性评估问题，研究发现可在图像质量几乎不降低的情况下破解所有五种受测水印方法，强调了对适应性、可学习的攻击者进行更严格的鲁棒性测试的必要性。

Sep, 2023

为了解决深度水印技术在任意分辨率图像中的应用问题，本文提出了一种名为 DWFS 的实用深度分散水印技术，并采用了分散嵌入方案、水印同步与融合模块以及基于相似性的消息融合策略，通过实验证明了其在不同数据集上相较于现有方法在性能上的优越性。

Oct, 2023

本文提出了一种图像水印系统，该系统可以自动处理图像中的水印定位和检测，并在应用场景中具有广泛的适用性。与以前的方法相比，该方法使用深度学习技术，实现了端到端的水印嵌入和检测，并使用透视校正提高了检测的自动性能力。

Apr, 2023

该论文首次尝试改进图像拼接算法对抗攻击的鲁棒性，通过引入针对特征匹配过程的拼接导向攻击（SoA），深入研究鲁棒性，开发了自适应对抗训练（AAT）来平衡攻击抵抗力和拼接精度。全面评估真实和合成数据集验证了 SoA 对拼接性能的损害，而 AAT 则成为更强大的解决方案对抗对抗扰动并提供卓越的拼接结果。

Feb, 2024

提出了一种新的数字水印方法，基于深度学习的 HiDDeN 架构，并添加了与几何攻击鲁棒性相关的新噪声层，证明该方法在几何鲁棒性方面胜过现有的技术，可用于保护消费者设备上查看的图像。

Feb, 2024

通过将不可见的视听定位水印和版权水印嵌入原始视频帧和音频中，实现精确的操作定位和版权保护，解决当前视频篡改法医学中的限制，包括泛化能力差、功能单一和单模态聚焦等问题。同时，我们还设计了一个时间对齐和融合模块以及退化提示学习来提高定位精度和解码鲁棒性，引入了示例级音频定位方法和跨模态版权提取机制以耦合音频和视频帧的信息，从而验证了 V2A-Mark 在视听篡改数据集上的有效性，并强调其在定位精度和版权准确性方面的优势，对 AIGC 视频时代的可持续发展至关重要。

Apr, 2024

本文提出了一种新的数字水印系统 GenWatermark, 该系统结合了数字水印生产者和检测器，通过 fine-tuning 与合成的图像一起学习水印，以保护被合成图像的主体权益。实验证明，GenWatermark 对未知模型和文本提示以及部分数据水印化的有效性较高，并且对抵抗合成质量的潜在对策具有鲁棒性。

Jun, 2023

现在，稳定扩散（SD）模型家族因其高质量的输出和可扩展性而变得重要。这也引发了对社交媒体安全性的担忧，因为恶意用户可以创建和传播有害内容。现有方法涉及在生成的图像中训练组件或整个 SD 来嵌入水印，以实现可追溯性和责任归属。然而，在人工智能生成内容（AIGC）的时代，快速迭代的 SD 使得重新训练带有水印模型变得昂贵。为了解决这个问题，我们提出了一种针对 SD 的无需训练的即插即用水印框架。在不修改 SD 的任何组件的情况下，我们在潜在空间中嵌入不同的水印，适应去噪过程。我们的实验结果表明，我们的方法有效地协调了图像质量和水印的隐形性。此外，它在各种攻击下表现出很强的稳健性。我们还验证了我们的方法在多个 SD 版本中的通用性，甚至无需重新训练水印模型。

Apr, 2024

提出了一种名为 Spy-Watermark 的新型后门攻击方法，其中引入了一种可学习的图像潜在空间中嵌入的水印作为触发器，通过多个防崩溃操作进一步增强触发器对数据损坏的韧性，从而在面对数据崩溃和后门防御时仍然有效。在 CIFAR10、GTSRB 和 ImageNet 数据集上进行了大量实验，展示了 Spy-Watermark 在鲁棒性和隐秘性方面超过了十种最先进方法。

Jan, 2024

在 AI 生成内容（AIGC）模型可以生成惊人逼真的图像的时代，未授权复制和恶意篡改的阴影对版权完整性和信息安全构成了即将到来的威胁。本文提出了一种创新的主动取证框架 EditGuard，以统一版权保护和对于 AIGC 编辑方法的无痕迹篡改的定位，特别适用于局限在 AIGC 编辑方法上的图像篡改。EditGuard 可以提供不可察觉水印的精细嵌入、被篡改区域精确解码和著作权信息。通过利用我们观察到的图像隐写术的脆弱性和局部性，EditGuard 的实现可以转化为一种统一的图像位隐写问题，从而将训练过程与篡改类型完全解耦。大量实验证明，我们的 EditGuard 平衡了篡改定位的准确度、著作权恢复的精确性以及对各种 AIGC 编辑方法的普适性，特别是对于肉眼难以检测的图像伪造。

Dec, 2023